「AI開發者成長計劃」首期公開課由機器之心與微眾銀行聯合開設，主題為《聯邦學習FATE入門與應用實戰》，特邀合作伙伴 VMware 也將參與分享。 公開課為期4周，共6期課程 ，設定主題分享、專案實踐、線上答疑等環節，從零入門聯邦學習。
整體學習計劃與加入方式請檢視：《聯邦學習FATE入門與應用實戰》公開課上線！
3 月 17 日，機器之心聯合微眾銀行開設的公開課《聯邦學習 FATE 入門與應用實戰》第三講結課，微眾銀行人工智慧部演算法研究員譚明超為我們分享了《聯邦學習 FATE 演算法模組梳理及建模演示》。
第三課精選問答
Q：請問稀疏資料input都有哪些？
我們現在主要支援的是兩種，tag和tag:value，比如說我這個人是不是有車、有房、是男是女等等，tag:value就是說比如說年齡:40，身高:1.6米等等。
Q：union是做什麼？針對橫向聯邦嗎？
不是，union是一個單邊的元件，它只是把兩個元件輸出的資料合併起來而已，就只幹這一個事情。
Q：預測的結果在哪裡看？僅guest方持有嗎？
對，只有guest方持有，在縱向聯邦當中是這樣的。對於橫向聯邦，每一方都有自己的模型，一般來講在橫向的模組當中是不需要加密的，但是橫向lr我們是提供了對host加密的模型計算方法。這種情況下，Host方是拿不到這個模型的。
Q：預處理及特徵工程可以介紹一下麼？
目前FATE實現的特徵工程元件包括取樣、聯邦特徵分箱，聯邦特徵選擇、特徵歸一化、onehot編碼等等。具體的內容，在github上有詳細的文件介紹：https://github.com/FederatedAI/FATE/tree/master/federatedml/feature
Q：如何對資料質量進行評估？
在建模的時候，FATE提供了一個local_base的元件，可以使用本地的資料建模，從而和聯邦以後的建模效果進行比對。除此以外，還可以看看交集的數量，求對方特徵的iv值進行比較等等方式。
Q：如果沒有同態加密的，聯邦和分散式有什麼區別？
這個區別還是挺大的。分散式是你自己的的叢集，你自己可以隨便訪問資料，但聯邦學習即使沒有用到同態加密，比如說只用了安全聚合的方式，你也是access不到別人的資料的，對於arbiter來說，只能得到最終所有模型聚合的和。